model based machine learning

时代背景

当今，机器学习正被应用到一个非常广泛的领域，在过去的五十年内，研究人员创造了成千上万的机器学习算法，传统的机器学习算法：Logisitic regression,Neural networks,K-means,PCA,SVM,DBN,DT,RF...。传统上，想要用机器学习解决问题的工程师必须选择一个或多个这样的算法来尝试，他们的选择通常被他们熟悉的算法所限制，或者被软件实现所限制。然后提出“model based machine learning”,为每个新应用程序制定解决方案。

model based machine learning和传统的machine learning 的区别

1.算法模型与算法训练的分离。
-如果对模型进行了修改，相应的修改推理软件就会自动创建。同样，有效推理技术的进步也适用于广泛的模型。
2.能够适应更广泛的情形
-能够创建非常广泛的模型，以及适当的推理或学习算法，其中许多传统的机器学习技术都是特殊的情况，灵活的适应需求的改变
3.简易的代码量
-容易去书写和管理
-更加透明的功能
4.提出简单的框架
-为新手提供了一个简单的框架，传统的机器学习算法只是一系列特殊和复杂的情形特定的算法。